Uma empresa do setor financeiro implementou um novo sistema de detecção de fraudes baseado em aprendizado de máquina. Durante a fase de pré-processamento dos dados, a equipe de cientistas identificou diversos desafios, como atributos redundantes, valores ausentes e um forte desbalanceamento entre transações legítimas e fraudulentas. Para lidar com essas questões, diferentes abordagens foram aplicadas, incluindo a eliminação manual de atributos, técnicas de integração de dados e amostragem para equilibrar as classes.

Com relação a esse cenário e ao processo de pré-processamento de dados, avalie as asserções a seguir e a relação proposta entre elas:


I. Em um contexto de detecção de fraudes, a exclusão de atributos altamente correlacionados pode ser essencial para evitar vieses que levem a previsões distorcidas, especialmente quando variáveis derivadas de um mesmo fator introduzem redundância no modelo.

PORQUE

II. A manutenção de atributos redundantes pode gerar um falso senso de relevância estatística, levando o modelo a supervalorizar padrões espúrios, o que compromete tanto a interpretabilidade quanto a capacidade de generalização para novos dados.

A respeito dessas asserções, assinale a alternativa correta.